集成深度学习模型的原生策略用于将细分集成到放射学观看器中
Pau Xiberta1,2, Marc Ruiz3, Màrius Vila3
1Graphics and Imaging Laboratory, Universitat de Girona, Girona, 17003, Catalonia. pau.xiberta@udg.edu.
Journal of imaging informatics in medicine
|March 2, 2026
概括
本研究引入了一种用于将深度学习 (DL) 分段模型直接集成到DICOM观众中的新方法. 这种方法通过在现有工作流程中嵌入DL工具来简化临床采用,从而增强医学成像诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 深度学习 (DL) 模型在自动化医学成像诊断方面表现有前途.
- 由于工作流程的复杂性和技术障碍,DL解决方案的临床集成仍然是一个重大挑战.
研究的目的:
- 在 DICOM 浏览器中提出和验证DL细分模型的原生集成策略.
- 提高DL工具在医学成像工作流程中的临床采用和可用性.
主要方法:
- 开发了一个本地集成策略,将DL模型执行直接嵌入到CE标记的开源DICOM查看器中.
- 在浏览器内创建了一个专门的DL模块,消除了对外部软件或复杂API的需求.
- 使用脊椎体和肝脏细分使用案例与来自不同DL图书馆的模型验证了方法.
主要成果:
- 本地集成策略允许在DICOM查看器内直接使用DL细分模型.
- 该方法与异质DL架构兼容,并且需要最小的用户交互.
- 在不破坏现有的诊断工作流程的情况下,保持了临床可用性.
结论:
- 拟议的方法提供了一个简单,灵活和临床准备的解决方案,用于观看本地DL部署.
- 这种方法有助于在受监管的医疗环境中采用DL工具.
- 能够在各机构之间高效地共享和重复使用DL模型,从而推进医学成像诊断.
